Segmentasi Semantik Kendiri-Berpandu
Segmentasi semantik kendiri-berpandu belajar untuk memberikan label kelas kepada setiap piksel dalam imej tanpa bergantung pada topeng segmentasi yang dianotasi secara manual. Rangkaian tulang belakang (backbone network) mula-mula dilatih pada kuantiti imej tanpa label yang banyak menggunakan objektif kendiri-berpandu seperti pembelajaran kontrastif atau pemodelan imej bertopeng, dan ciri padat yang terhasil kemudiannya digunakan untuk membahagikan dan melabelkan rantau imej, mencapai kualiti segmentasi yang kompetitif pada sebahagian kecil kos anotasi.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- Caron, M., Touvron, H., Misra, I., Jegou, H., Mairal, J., Bojanowski, P., & Joulin, A. (2021). Emerging Properties in Self-Supervised Vision Transformers. Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV), 9650–9660. DOI: 10.1109/ICCV48922.2021.00951 ↗
- Hamilton, M., Zhang, Z., Hariharan, B., Snavely, N., & Freeman, W. T. (2022). Unsupervised Semantic Segmentation by Distilling Feature Correspondences. International Conference on Learning Representations (ICLR). link ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Self-supervised Learning for Semantic Segmentation. ScholarGate. https://scholargate.app/ms/deep-learning/self-supervised-semantic-segmentation
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Segmentasi InstansPembelajaran Mendalam↔ compare
- Rangkaian Saraf Konvolusional Kendiri-SeliaPembelajaran Mendalam↔ compare
- Self-supervised Vision TransformerPembelajaran Mendalam↔ compare
- Semantic SegmentationPembelajaran Mendalam↔ compare
- Transformer VisiPembelajaran Mendalam↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →